多目标干扰环境中威胁目标自动跟踪方法

针对多目标干扰环境中威胁目标发现与跟踪困难的问题,研究一种基于随机有限集(RFS)的高斯混合概率密度假设(GM-PHD)滤波的算法,建立目标的随机有限集形式的运动和观测模型,利用卡尔曼滤波的预测和更新过程,对被动声呐输出的多目标方位和窄带线谱同时进行跟踪,利用所提取窄带线谱能量作为不同方位目标的输出检测量,可实现对包含线谱的窄带威胁目标的自动跟踪。试验数据的处理结果表明,所提方法可以实现在多目标的复杂情况下对感兴趣的威胁目标的自动跟踪。     

双目标纯方位定位数据处理分析

本文从双基阵纯方位定位的基本原理出发,给出了卡尔曼滤波算法的模型,针对实际目标特点和滤波中容易出现的发散问题,对方位数据进行时空迭代后将解算数据进行航迹融合。仿真实验表明,该处理方法能够克服滤波发散,实现双目标有效跟踪,可以快速、稳定地完成目标运动要素的估计,有较好的工程应用价值。     

水下目标双基阵纯方位跟踪性能分析

研究双基阵纯方位目标运动分析的基本原理和方法，给出卡尔曼滤波算法的模型，进行仿真实验，比较和分析了仿真结果。仿真结果表明，应用卡尔曼滤波可以快速、稳定地完成目标运动要素的估计，同时还分析了数据关联、基阵间距以及方位测量误差对跟踪性能的影响，为工程应用提供了参考。     

基于粒子滤波算法的方位跟踪方法研究

与传统的声压水听器相比,矢量水听器(AVS)可以同时、共点接收水下声场的声压和振速信息,利用单个水听器可以估计出目标的方位(DOA)信息。本文将MUISIC方位估计方法和粒子滤波(Particle Filtering,PF)跟踪方法结合,给出一种高效的水下运动目标的实时方位跟踪方法(PF-MUSIC),仿真对比分析了MUSIC方法和PF-MUISC方法的方位跟踪性能,并通过海上试验验证了跟踪方法的实用性。结果表明:PF-MUSIC法的计算量远小于MUSIC方法,PF-MUSIC方法的误差更小并且跟踪曲线更平滑,适用于对水下目标的实时方位跟踪。     

最优跟踪滤波方法处理有人驾驶机动目标的性能估计

大部分战术武器系统要求能精确地跟踪有人驾驶机动运动体，如飞机、舰艇及潜艇等。为此，本文利用一个既简单易行又能真实体现机动目标运动的目标模型导出了最优卡尔曼滤波。利用这种滤波算法，把参数跟踪精度数据构造成目标机动特性、探测器观测噪声及数据的函数，这样，当探测器跟踪机动目标，提供距离、方位和仰角测量的某种组合时，我们能据此作出跟踪性能的一个快速先验估计。     

纯方位水下被动目标跟踪与卡尔曼滤波

针对水下被动目标跟踪的特点，本文对基于扩展卡尔曼滤波，修正增益扩展卡尔曼滤波，协方差平方根滤波，变系数衰减记忆滤波等纯方位水下被动目标跟踪算法进行了系统的仿真实验，比较和分析了仿真结果，研究了一些滤波器的参数选择，指出了修正极坐标系的优越性，为水下被动目标跟踪的实现提出了参考。     

一种单站纯方位目标跟踪中的最小二乘递推方法

与成批处理的方位平差法相比,最小二乘递推方法无需矩阵求逆运算,具有计算简单、存储量小的优点,适合于在线估计目标运动要素.提出了一种用于单站纯方位跟踪的最小二乘递推方法,并对算法进行了仿真.仿真结果表明,该方法受初始值影响很小,适用于含方位预处理的纯方位目标跟踪.     

基于计算机视觉的船舶纯方位目标跟踪方法研究

受外界环境因素的影响,传统方法在船舶纯方位目标跟踪中存在一定的偏差。为了克服这一问题,引入计算机视觉技术,在待跟踪的船舶上安装计算机视觉传感装置,并利用该装置实时采集船舶航行图像。通过对图像的处理与分析,得到船舶目标的初始位置信息。以定位结果为起点,在构建纯方位目标运动模型的基础上,计算目标船舶的航向角,判断船舶的航迹运动方向。实时更新目标船舶的定位信息与航向角信息,从而实现船舶纯方位目标跟踪。实验结果表明,与传统的目标跟踪方法相比,所设计的方法能够有效降低船舶跟踪误差,具有较强的实用性。     

基于距离参数化EKF滤波器的纯方位目标运动分析

针对纯方位机动目标运动分析问题,提出一种距离参数化EKF(RPEKF)滤波器设计方法,该方法能够有效降低探测平台与目标初始距离不确定性影响,提高目标运动状态估计滤波收敛性。针对水面目标典型机动形式,给出一种适用于RPEKF滤波器目标机动检测方法,基于评估目标方位角观测误差与目标运动状态协方差矩阵检测目标机动,通过重置滤波器保证目标运动状态估计滤波稳定。数字仿真分析结果表明,本文提出的算法能够实现对水面机动目标运动要素的快速无偏估计。     

舰载雷达目标跟踪的非线性滤波仿真

雷达观测模型常常是非线性的,目标跟踪问题是一个非线性状态混合估计.考虑目标稳定跟踪与实时性要求,采用"当前"统计目标运动模型与粒子滤波(PF)非线性方法对雷达机动目标跟踪进行算法分析.仿真验证了"当前"统计模型下的非线性粒子滤波及扩展卡尔曼滤波(EKF)目标跟踪性能,表明非线性粒子滤波,尤其是U变换粒子滤波(UPF)目标跟踪精度和稳定性较好,值得工程应用与推广.     

基于双阵纯方位的水下运动目标运动分析研究

单基阵纯方位水下目标运动分析需要基阵所在平台至少作一次机动,复杂多变的海战环境中,往往并不允许平台执行机动,故通常需利用多维信息对水下目标进行运动分析.本文基于双阵方位进行水下目标运动分析,目前相关公开文献中多是从仿真层面对该问题进行研究,本文在数值仿真的基础上,通过对海试数据的处理,从试验层面研究这一问题.文中采用最大似然估计法和扩展卡尔曼滤波方法进行双阵纯方位水下目标运动分析,通过数值仿真及海试数据的处理,验证算法的有效性.     

基于水声传感器网络的目标纯方位运动分析

研究了基于水声传感器网络的目标纯方位运动分析原理及方法,建立了基于水声传感器网络的目标运动分析模型。在此基础上,讨论了模型中多维非线性估计问题,提出了一种基于传感器网络新的水下目标运动分析方法。该方法采用改进的粒子滤波EKF-PF(扩展卡尔曼-粒子滤波)算法实现,并与传统的扩展卡尔曼滤波(EKF)和粒子滤波(PF)算法进行了比较。通过Monte Carlo仿真分析,表明基于水声传感器网络的目标运动分析方法充分利用了网络的优势和当前测量信息。这种方法对水下目标运动状态估计时,不仅降低了计算量而且表现出较高的估计精度。所得结论为水下传感器网络进行目标被动定位提供了参考。     

基于UPF的神经网络辅助机动目标跟踪

为提高机动目标跟踪性能，提出了一种神经网络辅助下的滤波方法。基于Unscented卡尔曼滤波方法，Unscented粒子滤波器（UPF）能够产生较准确的建议密度分布，因此相对于其它蒙特卡洛方法，UPF能够获得对非线性目标跟踪问题更好的近似。利用目标的机动特征建立和训练神经网络，将神经网络的输出作为加速度控制参数，用于修正目标的运动模型。仿真结果表明，与扩展卡尔曼滤波相比，神经网络辅助下的UPF具有更好的跟踪性能。     

基于一种改进粒子滤波算法的目标跟踪研究

为了解决非线性、非高斯系统目标跟踪问题,研究了一种新的滤波方法——高斯粒子滤波算法。通过基于重要性采样和蒙特卡罗模拟方法得到一高斯分布来近似未知状态变量的后验分布。并讨论了此算法在机动目标非线性转弯运动中的跟踪应用,与粒子滤波算法相比,其优点是不需要重采样步骤。在闪烁噪声下比较了高斯粒子滤波器、粒子滤波器和扩展卡尔曼滤波器在滤波精度、运算时间等方面的差异,仿真结果表明该算法性能优于其他算法。     

非高斯条件下基于无味粒子滤波器的目标跟踪

研究了无味粒子滤波器的基本思想和具体算法实现步骤,在给出的闪烁噪声统计模型基础上,将PF、UKF和UPF算法应用在雷达目标跟踪中,解决了闪烁噪声情况下的雷达目标跟踪问题,仿真结果表明,UPF的状态估计性能优越。     

机动目标滤波的最小二乘方法

基于最小二乘滤波精度分析的解析表达式，得出了最小二乘滤波器记忆长度的优化方法，提出一种目标运动加速度的在线实时估计方法，据此可实现最小二乘滤波器记忆长度的实时优化，形成一种适用于机动目标的基于最小二乘的自适应滤波方法。最后进行数值仿真，验证理论分析与算法的正确性。     

基于权值优选粒子滤波的雷达目标跟踪

本文详细分析了粒子滤波的特点,给出了基于权值优选的粒子滤波算法,对雷达目标进行了跟踪。仿真结果表明,基于权值优选的粒子滤波算法在N值较小的情况下较标准粒子滤波算法具有更明显的优势。     

Classification of underwater target echoes based on auditory perception characteristics

In underwater target detection, the bottom reverberation has some of the same properties as the target echo, which has a great impact on the performance. It is essential to study the difference between target echo and reverberation. In this paper, based on the unique advantage of human listening ability on objects distinction, the Gammatone filter is taken as the auditory model. In addition, time-frequency perception features and auditory spectral features are extracted for active sonar target echo and bottom reverberation separation. The features of the experimental data have good concentration characteristics in the same class and have a large amount of differences between different classes, which shows that this method can effectively distinguish between the target echo and reverberation.